論文の概要: A Hybrid State-Space Approach for Census-Tract Population Estimation

• arxiv url: http://arxiv.org/abs/2608.30094v1
• Date: Sun, 30 Aug 2026 23:43:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.17842
• Title: A Hybrid State-Space Approach for Census-Tract Population Estimation
• Title（参考訳）: センサス・トラクト人口推定のためのハイブリッド状態空間アプローチ
• Abstract要約: MambaPopは、行政単位のイメージから直接人口を学習する方法である。 平均絶対誤差(MAE)は1トラル当たり1141ドルであり、最も強い畳み込みベースラインと一致する。
• 参考スコア（独自算出の注目度）: 45.88028371034407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequence models---the architecture family behind large language models and, increasingly, state-of-the-art image recognition---have redefined how machines learn from high-dimensional data. Yet population estimation from satellite imagery, a task that underpins infrastructure planning, public health, and disaster response, has scarcely benefited: leading systems still bind population to a uniform raster, disaggregating census counts onto grid cells through weighting surfaces built from ancillary data (e.g., in WorldPop and LandScan), which can introduce systematic spatial bias, and predicting population per grid cell with convolutional neural networks. In this approach, the administrative-unit structure in which the census was actually collected is discarded. We close this gap with MambaPop, which renders each administrative unit as a single polygon-masked satellite image and treats tract-level population estimation as a sequence-modeling problem over its image patches, pairing each tract image directly with its population label and eliminating the disaggregation step entirely. Built on the hybrid state-space--attention MambaVision backbone, MambaPop is, to our knowledge, the first method to learn population directly from an administrative unit's own image as well as the first to apply a state-space based (Mamba) hybrid architecture to the population estimation task. Across all $\sim$84{,}000 contiguous-US census tracts of the 2020 census, MambaPop attains a mean absolute error (MAE) of $1{,}141$ persons per tract, matching the strongest convolutional baseline (YOLOv11, MAE $1{,}122$).
• Abstract（参考訳）: シーケンスモデル — 大規模言語モデルの背後にあるアーキテクチャファミリ、そしてますます、最先端の画像認識 — は、マシンが高次元データからどのように学習するかを再定義した。 しかし、インフラ計画、公衆衛生、災害対応を支えるタスクである衛星画像からの人口推定は、依然として一様ラスターに人口を束縛し、アシラリーデータ(例えばWorldPopやLandScan)から構築された重み付けによってグリッドセルに人口を分散し、畳み込みニューラルネットワークでグリッドセル当たりの人口を予測している。 このアプローチでは、実際に国勢調査が収集された行政単位の構造は放棄される。 このギャップは、各管理ユニットを単一のポリゴンマス化衛星画像として表現し、画像パッチのシーケンスモデリング問題としてトラクションレベルの人口推定を扱い、各トラクションイメージをその人口ラベルと直接マッチングし、分解ステップを完全に排除するMambaPopと密接に関連している。 MambaPopは、我々の知る限り、行政単位のイメージから直接人口を学習する最初の方法であり、また、国家空間に基づく(Mamba)ハイブリッドアーキテクチャを人口推定タスクに適用する最初の方法である。 2020年の国勢調査では、すべての$\sim$84{,}000の連続して、MambaPopは平均絶対誤差(MAE)が1人当たり1,,}141ドルに達し、最強の畳み込みベースライン(YOLOv11, MAE $1{,}122$)と一致する。

関連論文リスト

• Spatial-Mamba: Effective Visual State Space Models via Structure-aware State Fusion [46.82975707531064]
  SSM(Selective State Space Model)は、1Dシーケンシャルデータにおける長距離依存関係のキャプチャに優れる。 本研究では,地域間直接接続を実現する新しいアプローチであるSpatial-Mambaを提案する。 画像分類,検出,セグメンテーションにおいて,空間マンバは,単一のスキャンであっても,最先端のSSMベースのモデルを達成したり,超えたりしていることを示す。
  論文  参考訳（メタデータ） (2024-10-19T12:56:58Z)
• Granularity at Scale: Estimating Neighborhood Socioeconomic Indicators from High-Resolution Orthographic Imagery and Hybrid Learning [1.8369448205408005]
  オーバーヘッド画像は、コミュニティ情報が不足しているギャップを埋めるのに役立つ。 機械学習とコンピュータビジョンの最近の進歩により、画像データのパターンから素早く特徴を抽出し、検出することが可能になった。 本研究では, 人口密度, 中央値世帯所得, 教育達成率の2つのアプローチ, 教師付き畳み込みニューラルネットワークと半教師付きクラスタリングについて検討する。
  論文  参考訳（メタデータ） (2023-09-28T19:30:26Z)
• Mesh-Wise Prediction of Demographic Composition from Satellite Images Using Multi-Head Convolutional Neural Network [0.0]
  本稿では,事前学習したResNet50からの伝達学習を用いたマルチヘッド畳み込みニューラルネットワークモデルを提案する。 Landsat-8/OLIとSuomi NPP/VIIRS-DNSの衛星画像の入力と人口統計をラベルとして扱う。 トレーニングされたモデルは、すべての人口構成群に対して、少なくとも0.8914 in $textR2$の試験スコアを持つテストデータセット上で実行され、2022年の非センセーション年として、推定された人口構成が生成され、可視化された。
  論文  参考訳（メタデータ） (2023-08-25T15:41:05Z)
• Fine-grained Population Mapping from Coarse Census Counts and Open Geodata [19.460864948909936]
  詳細な人口地図は、都市計画、環境モニタリング、公衆衛生、人道活動など、いくつかの領域で必要とされる。 POMELOは、粗い国勢調査数と開地データを用いて、100mの地中サンプリング距離を持つ詳細な人口分布図を推定する深層学習モデルである。 サハラ以南のアフリカにおけるいくつかの国に対する一連の実験において、POMELOareで作成した地図は、最も詳細な参照数とよく一致している。
  論文  参考訳（メタデータ） (2022-11-08T06:43:52Z)
• ZoomNAS: Searching for Whole-body Human Pose Estimation in the Wild [97.0025378036642]
  本研究では,全身の階層構造を考慮したシングルネットワーク方式ZoomNetを提案する。 また,全身のポーズ推定の精度と効率を両立させるために,ZoomNASと呼ばれるニューラルネットワーク検索フレームワークを提案する。 ZoomNASをトレーニングし,評価するために,最初の大規模2次元人体データセットであるCOCO-WholeBody V1.0を導入する。
  論文  参考訳（メタデータ） (2022-08-23T16:33:57Z)
• So2Sat POP -- A Curated Benchmark Data Set for Population Estimation from Space on a Continental Scale [11.38584315242023]
  欧州98都市における人口推定のための包括的データセットを提供する。 データセットは、デジタル標高モデル、地域気候帯、土地利用率、夜間光とマルチスペクトルセンチネル2画像の組み合わせ、およびOpen Street Mapイニシアチブのデータから構成される。
  論文  参考訳（メタデータ） (2022-04-07T07:30:43Z)
• BEV-Net: Assessing Social Distancing Compliance by Joint People Localization and Geometric Reasoning [77.08836528980248]
  新型コロナウイルス(COVID-19)の感染拡大を受け、公衆衛生に不可欠なソーシャルディスタンシング(ソーシャルディスタンシング)が注目されている。 本研究では,広視野カメラを用いた公共空間における視覚的ソーシャル・ディスタンシング・コンプライアンス・アセスメントの課題について考察する。 鳥眼ビュー(BEV)下での注釈付き群集シーンのデータセットと距離測定のための地上真実を紹介する。 マルチブランチネットワークであるBEV-Netは、世界座標における個人をローカライズし、ソーシャルディスタンシングに違反する高リスク領域を特定するために提案されている。
  論文  参考訳（メタデータ） (2021-10-10T23:56:37Z)
• Census-Independent Population Estimation using Representation Learning [0.5735035463793007]
  代替データを用いた国勢調査非依存の人口推定手法は、頻繁に信頼性の高い人口推定を局所的に提供することを約束している。 モザンビークにおける近年の表現学習手法について検討し,人口推定への表現の伝達可能性を評価する。 表現学習を使用することで、特徴が自動的に抽出されるため、人間の監督が不要になる。 得られた人口推計をGRID3, Facebook (HRSL) および WorldPop の既存人口製品と比較した。
  論文  参考訳（メタデータ） (2021-10-06T15:13:36Z)
• Sensing population distribution from satellite imagery via deep learning: model selection, neighboring effect, and systematic biases [16.82118960055405]
  この研究は、リモートセンシング画像から人口分布を推定する、最先端のディープラーニングモデルの性能をクロスコンパートメントする最初の試みである。 DenseNetは、他の3モデルよりも優れており、VGGは、選択された隣のシナリオすべてでメトリクスを評価する上で、最悪のパフォーマンスを持っている。 選択されたディープラーニングモデルは、近隣のサイズに関係なく、疎密な画像パッチと密密な画像パッチを過大評価する傾向にある、注目すべき普遍バイアスが存在する。
  論文  参考訳（メタデータ） (2021-03-03T03:40:24Z)
• Completely Self-Supervised Crowd Counting via Distribution Matching [92.09218454377395]
  我々は,密集した群集数に対するトレーニングモデルに対する完全な自己超越的アプローチを提案する。 トレーニングに必要な入力は、大量の未ラベルの群衆画像以外は、群衆数に近似した上限である。 提案手法は,自然群集が逆伝播の誤り信号を生成するために利用可能な電力法分布に従うという考え方に富む。
  論文  参考訳（メタデータ） (2020-09-14T13:20:12Z)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。